ONLINE IMAGE PROCESSING SEBAGAI SISTEM DETEKSI KUALITAS TEMBAKAU MADURA

(1)

65

ONLINE IMAGE PROCESSING SEBAGAI SISTEM DETEKSI KUALITAS TEMBAKAU MADURA

Kunto Aji Wibisono*1_{, Achmad Fiqhi Ibadillah}2_,

1,2_{Prodi Teknik Elektro Fakultas Teknik Universitas Trunojoyo Madura} Jl. Raya Telang PO BOX 2 Kamal Bangkalan Madura Jawa Timur

e-mail: [email protected]*1_{, [email protected]}2

Abstrak

Pertumbuhan, pengolahan, pemeringkatan dan pemasaran tembakau di Madura berkontribusi secara signifikan terhadap kelayakan ekonomi daerah tersebut. Industri tembakau merupakan sumber pendapatan luar negeri yang dominan. Setelah menyembuhkan tembakau Daun dinilai berdasarkan warna, butiran, bentuk, daerah, dan cacat daun misalnya. Di Madura sekitar dua puluh empat miliar daun tembakau dinilai setiap tahun. Proses penilaian saat ini dilakukan secara manual di seluruh area, baik di lokasi di peternakan tembakau atau dalam beberapa kasus di pusat penilaian tembakau. Proses grading sangat padat karya dan sekitar 2,6 juta hari kerja diharuskan untuk menilai panen setiap tahun. Tingkat keterampilan yang tinggi dibutuhkan oleh grader, diperoleh melalui pelatihan ekstensif, namun masih menghasilkan jenis variasi grading daun tembakau yang tidak absolute dan terjadi di seluruh wilayah Madura karena prosesnya sangat subjektif. Penelitian saat ini dilakukan oleh Prodi Teknik Elektro Universitas Trunojoyo dengan maksud untuk mengotomatisasi proses penilaian tembakau. Tujuan dari penelitian ini adalah untuk memberikan sistem grader yang andal kepada industri sehingga dihasilkan standar penilaian yang seragam di seluruh wilayah. Selain itu hal ini dimaksudkan untuk meningkatkan throughput dan memberikan kuantifikasi variasi kualitas daun tembakau. Inti dari sistem grader otomatis adalah sistem pemrosesan citra on-line berkecepatan tinggi yang dikembangkan untuk memproses gambar pada kecepatan 50Hz. Pemrosesan gambar dilakukan dengan kamera HD logitech yang beroperasi dalam konfigurasi paralel. Setiap proses dipartisi menjadi window dan setiap window diproses secara simultan oleh algoritma tersendiri. Hasilnya disusun oleh master processor. Resolusi sistem adalah 320 x 256 piksel / field. Pada penelitian ini memberikan informasi mengenai persyaratan sistem termasuk perancangan, konstruksi dan pengoperasian prototipe on-line tobacco grader. Perangkat keras sistem dijelaskan secara rinci termasuk arsitektur yang digunakan. Mekanisme metode image processing yang digunakan oleh sistem grader on-line juga dijelaskan.

Kata kunci: Grader, Tembakau Madura, Image Processing

1. PENDAHULUAN

Tembakau merupakan salah satu komoditas perdagangan penting di dunia termasuk Indonesia. Produk utama yang diperdagangkan adalah daun tembakau dan rokok yang merupakan produk bernilai tinggi dan berperan dalam perekonomian nasional, yaitu salah satu sumber devisa, sumber penerimaan pemerintah dan pajak (cukai), sumber pendapatan petani dan lapangan kerja masyarakat (usaha tani dan pengelolahan rokok) .

Di Indonesia, Tembakau banyak di produksi dan digunakan oleh perusahaan rokok yang sebagian besar adalah produsen rokok sigaret. Oleh karena itu, kualitas tembakau menjadi faktor utama dalam pembuatan jenis rokok sigaret. Tembakau terdiri dari berbagai kelas atau grade. Pengklasifikasian kelas ini merupakan aspek penting untuk menunjang stabilnya kualitas dan citarasa rokok sigaret yang akan dihasilkan sebelum proses produksi

Madura merupakan salah satu penghasil jenis tembakau terbaik di Indonesia, varietas tembakau Madura yang paling diminati oleh perusahaan industri rokok adalah jenis Prancak – 95 Madura. Jenis ini memiliki karakteristik tekstur dan aroma yang khas sehingga cocok digunakan sebagai bahan baku utama maupun sebagai racikan atau campuran kretek.

Untuk lebih dapat meningkatkan nilai ekonomis dari tembakau Madura, maka perlu dilakukan penilaian terhadap kualitas daun tembaku yang melibatkan faktor internal dan eksternal. Faktor internal melibatkan human sensory (lebih pada penciuman) seperti pengujian aromatik. Sedangkan faktor eksternal melalui human vision (pengamatan visual), meliputi pengamatan tekstur. Penentuan nilai kualitas daun tembakau dengan menggunakan parameter sensor manusia memiliki banyak

(2)

66

kekurangan, diantaranya adalah tidak adanya sebuah nilai referensi yang absolut, sehingga penentuan level kualitas daun tembakau hanya berdasarkan perkiraan .

Berbagai metode telah digunakan untuk melakukan pengujian kualitas daun tembakau diantaranya adalah dengan menggunakan metode optimasi Conjugate Gradient pada algoritma

Backpropagation Neural Network. Metode ini memanfaatkan input dari kamera yang mendeteksi tekstur dan ukuran dari sampel daun tembakau, kemudian mengklasifikasikannya dalam 3 kategori. Penelitian lain yang masih berkaitan dengan image processing yaitu dengan memanfaatkan Image Feature Extraction. Metode ini dilakukan dengan mengambil ekstraksi fitur gambar sampel untuk dapat melakukan klasifikasi dari daun tembaku. Fitur gambar yang digunakan sebagai classifier

adalah color feature, shape feature,dan texture feature. Kedua metode tersebut mampu mendefinisikan level kualitas dari sampel daun tembakau yang digunakan dalam pengujian.

Dalam penelitian ini, faktor eksternal akan digunakan untuk mengklasifikasikan grade tembakau dengan memanfaatkan proses pengolahan citra digital secara on line. Tahapan untuk melakukan pengklasifikasian grade dimulai dari proses akuisisi data, pre-processing dan post processing. Metode kanal warna HSV (Hue, saturation, value) yang merupakan salah satu teknik pre-processing dalam pengolahan citra dibutuhkan untuk analisis citra daun tembakau. Proses tersebut bertujuan untuk menampilkan konfigurasi pixel warna yang dominansehingga memperkuat komponen frekuensi tinggi. Dengan metode konversi color image ke dalam format HSV image maka proses penentuan dominan contour dari daun tembakau sebagai variable identifikasi kualitas akan menjadi lebih sederhana .

2. METODE PENELITIAN 2.1. Standarisasi Mutu Tembakau

Padilla dalam Abdallah (1970) mendefinisikan bahwa mutu tembakau adalah gabungan dari sifat fisik, kimia, organoleptik dan ekonomi yang menyebabkan tembakau tersebut sesuai atau tidak untuk tujuan pemakaian tertentu. Mutu tembakau juga didefinisikan sebagai gabungan semua sifat kimia dan organoleptik yang dapat ditransformasi oleh perusahaan, pedagang, atau perokok yang secara ekonomis dan ditinjau dari rasa dapat diterima (Manuel Lanoscompany, 1985).

Beberapa grader (orang yang mempunyai kemampuan/ keahlian dan dipercaya oleh suatu perusahaan untuk menilai mutu/ grade tembakau) dalam melakukan penilaian mutu menggunakan penilaian berdasarkan warna, pegangan, dan aroma, kadang-kadang juga dilengkapi dengan dibakar dan dihisap asapnya untuk lebih meyakinkan (penentuan mutu dengan uji sensori). Tembakau sebagai bahan baku rokok ini memerlukan proses pemetikan daun yang benar dan tepat, baik tepat waktu, cara dan kriteria kematangan daun yang dipanen. Menurut Badri, tanaman tembakau memiliki daun sebanyak 26 sampai 32 helai. Pemilihan daun tembakau yang baik atau sempurna bisa dilakukan melalui tes aroma, kematangan berdasarkan kesempurnaan bentuk dan teksturnya.

Tabel 1 menunjukkan skema klasifikasi daun tembakau berdasarkan aroma dan teksturnya yang sesuai dengan standar nasional Indonesia (SNI) untuk tembakau virginia. Pada tabel 1 merupakan standar klasifikasi daun tembakau berdasarkan teksturnya. Sedangkan pada tabel 2 menunjukkan klasifikasi dari rajangan daun tembakau, yang dikelompokkan dengan mendeteksi aromanya. Berdasarkan kriteria yang ditunjukkan pada tabel 1 maka dapat dijadikan sebagai referensi untuk melakukan deteksi kualitas dari sampel daun tembakau Prancak – 95 Madura.

(3)

67

Tabel 2. Standard Nasional Tembakau Indonesia (SNI) Tembakau Virginia Rajangan

Tanaman tembakau memiliki letak-letak daun yang menunjukkan grade atau kelas daun tembakau . Daun yang terbaik adalah yang dari pucuk ke bawah sebagai berikut; daun paling bawah atau biasa disebut daun tanah atau daun koseran atau flying (X) adalah daun dengan grade kelas C. Daun kaki atau lug atau cutter (C) adalah daun dengan grade kelas B, sedangkan daun dengan grade

kelas A yaitu kelas terbaik ada di 2 posisi yaitu posisi daun tengah atau leaf (B) dan posisi daun pucuk atau tips (T).

Daun tembakau memiliki 3 utama yaitu kekuningan (L), coklat (F), merah (R) dan kehijauan (V).Setiap grade daun tembakau masih dibedakan lagi melalui tingkatan kualitas dengan nilai paling baik adalah 1 sampai nilai 5 yaitu kualitas kurang yang didasarkan dari keseragaman pada seluruh daun, ukuran, bentuk, dan tekstur permukaannya. Berikut adalah gambar tanaman tembakau dan pembagian tiap-tiap grade atau kelasnya, seperti yang ditunjukkan gambar 1 berikut.

Gambar 1. Grading kualitas daun tembakau berdasarkan letak

Tembakau sebagai bahan baku rokok ini memerlukan proses pemetikan daun yang benar dan tepat, baik tepat waktu, cara dan kriteria kematangan daun yang dipanen. Menurut Badri , tanaman tembakau memiliki daun sebanyak 26 sampai 32 helai. Pemilihan daun tembakau yang baik atau sempurna bisa dilakukan melalui tes aroma, kematangan berdasarkan kesempurnaan bentuk dan teksturnya. Jadi masalahnya bagaimana menentukan kualitas daun tembakau berdasarkan bentuk dan tekstur.

(4)

68 2.2. Ekstraksi Fitur Citra

2.2.1 Ekstraksi Fitur Bentuk

Untuk mendapatkan ekstraksi fitur bentuk dari gambar objek daun tembakau dilakukan konversi citra ke biner, mengisi region yang berlubang dan melakukan operasi morphologi dengan erosi dan dilasi. Dari ekstraksi bentuk dapat dilakukan perhitungan untuk mengetahui nilai luas, panjang dan lebar objek daun tembakau. Nilai luas, panjang dan lebar ini akan mewakili ekstraksi bentuk daun tembakau agar dapat diklasifikasikan. Contoh hasil ekstraksi bentuk seperti yang ditunjukkan pada gambar 2

.

Gambar 2. Hasil ekstraksi fitur bentuk pada citra digital 2.2.2 Ekstraksi Fitur Warna

Mengesktraksi fitur warna bertujuan untuk mengetahui nilai warna RGB pada daun tembakau. Langkah awal sebelum mendapatkan nilai warna RGB pada objek daun tembakau adalah menghilangkan warna pada background dengan distance color threshold. Sehingga didapat kan hasil ekstraksi fitur yang menunjukkan warna objek daun tembakaunya saja, sedangkan untuk warna

background akan hilang dan menjadi warna hitam atau warna biner 0 . Contoh hasil metode ekstraksi fitur warna seperti yang ditunjukkan gambar 3.

Gambar 3. Hasil ekstraksi fitur warna pada citra 2.2.3 Sistem Warna HSV

Penggunaan metode HSV ditujukan sebagai tool tambahan untuk mendapatkan data dari sistem deteksi kualitas tembakau. Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation, dan Value. Hue menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Hue

digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), Kehijauan (greenness) dari cahaya.

Nilai hue antara 0 sampai 1 berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan kembali menjadi merah. Nilai saturation antara 0 sampai 1 berarti dari tidak tersaturutasi (keabuan) sampai tersaturisasi penuh (tidak putih). Nilai value atau brightness antara 0 sampai 1 berarti warna semakin cerah seperti ditunjukkan pada gambar 4 berikut.

Nilai HSV yang dijadikan tolak ukur dalam penelitian ini dilakukan tahap normalisasi kedalam angka yang lebih sederhana. Hal ini bertujuan untuk mempersingkat waktu komputasi, namun tidak mengurangi akurasi pencarian secara signifikan.

(5)

69

Gambar 4. Sistem Warna Hue, Saturation, Value (HSV)

Variasi dari roda HSV digunakan untuk memilih warna yang diinginkan. Hue diwakili oleh lingkaran/keliling dalam roda. Sumbu horizontal menunjukan saturation dan sumbu vertical menunjukan value. Untuk mengambil suatu warna tertentu perlu ditentukan dahulu hue dan kemudian dipilih nilai saturation dan untuk brightness bisa dipilih dari nilai value.

2.3 Perancangan Sistem Ruang Pengujian

Ruang pengujian merupakan ruang terisolasi yang dilengkapi dengan perangkat pengambilan data sample seperti kamera dan sensor gas TGS2620, serta perangkat penerangan homogeny yaitu lampu. Perangkat untuk melakukan pemprosesan data terdiri atas mikrokontroler dan PC / Laptop terinstalasi di luar dari ruang pengujian. Bentuk layout ruang pengujian ditunjukkan pada gambar 5 berikut :

Gambar 5. Bentuk prototype pengujian kualitas daun tembakau 3. HASIL DAN PEMBAHASAN

3.1 Hasil Implementasi Ruang Pengujian

Gambar 6 menunjukkan bentuk ruangan pengujian mutu kualitas tembakau yang didesain khusus dan dilengkapi dengan sensor TGS2610 dan kamera. Ruanganini diset dalam konfigurasi

(6)

70

background hitam, dengan tujuan untuk lebih memudahakan dalam melakukan prosesing gambar sampel.

Gambar 6 Implementasi Ruang Pengujian Daun Tembakau

Pada Gambar 7 ditunjukkan realisasi dari desain penempatan kamera sebagai device capture image. Kamera ditempatkan di bagian atas dari ruang pengujian dengan level ketinggian yang statis. Hal ini ditujukan untuk menjaga konsistensi jarak kamera dengan sampel objek.

Gambar 7 Implementasi Penempatan Kamera

3.2 Pengujian Konversi RGB to HSV Thresholding

Untuk mendapatkan ekstraksi fitur bentuk dari gambar objek daun tembakau dilakukan konversi citra ke dalam format HSV dengan mengimplementasikan nilai thresholding, hal ini bertujuan mengisi region yang berlubang dan melakukan operasi morphologi dengan erosi dan dilasi. Dari konversi yang sudah didapatkan seperti Gambar 8 dapat dilakukan perhitungan untuk mengetahui nilai luas, panjang dan lebar objek daun tembakau. Nilai luas, panjang dan lebar ini akan mewakili ekstraksi bentuk daun tembakau agar dapat diklasifikasikan. Untuk mendapatkan nilai luas, panjang dan lebar dari sampel tembakau

(7)

71

3.3 Pengujian Klasifikasi Kualitas Tembakau

Pengujian akurasi penentuan nilai kualitas mutu tembakau dilakukan dengan menghitung rata – rata keakuratan sistem pada proses pengklasifikasian disetiap pengujian pada masing – masing parameter. Sistem pendeteksi kualitas tembakau ini beroperasi dengan melakukan ekstraksi fitur warna HSV, kemudian berdasarkan nilai piksel yang didapat bisa ditentukan nilai besaran ukuran dari daun yang dideteksi. Sedangkan representasi aromatic tembakau dideteksi dengan menggunakan sensor gas. Setelah didapatkan nilai untuk semua parameter yang dibutuhkan, proses selanjutnya adalah pengklasifikasian berdasarkan pada rule yang telah ditentukan seperti yang ditunjukkan tabel 3 berikut.

Tabel 3 Fitur Image Sebagai Classifier Kualitas Daun Tembakau

Level Kategori Level Warna Level Size (cm) Level Sensor

Aromatik (Ω)

Kategori 1 Kuning Emas 21 x 11 55.69

Tabel 4 berikut menunujukkan hasil deteksi untuk jenis tembakau yang tergolong kualitas I (sangat bagus), kualitas II (bagus), kualitas III(sedang) dan kualitas IV(buruk). Berdasarkan hasil proses implementasi metode HSV dan deteksi kontur didapatakn dimensi panjang dan lebar dari masing – masing sampel uji yang didasarkan dari konversi pixel gambar.

Tabel 4. Hasil Deteksi Kualitas Tembakau

No Kualitas

Mutu Tembakau

Hasil Sampel Gambar

1 Kualitas I

(8)

72 4. KESIMPULAN

Sistem deteksi kualitas tembakau yang dilengkapi kamera yang ditempatkan pada sebuah ruang pengujian dengan warna background hitam telah mampu melakukan proses klasifikasi kualitas tembakau. Dengan metode feature extraction pada gambar dengan menggunakan kamera maka, sebelum dilakukannya klasifikasi grade daun tembakau, pada penelitian ini melakukan tahap image acquitition, image pre-processing dan feature extraction untuk mendapatkan dataset berupa nilai angka yang selanjutnya dilakukan tahapan klasifikasi. Berdasarkan hasil pengujian yang dilakukan telah ditunjukkan bahwa sistem telah mampu mebedakan kualitas dari daun sampel tembakau dengan metode konversi RGB image to HSV Thresholding.

5. DAFTAR PUSTAKA

Badri, M. H. S. A.; Anthana, M.; Hardika, K.. Standart Operasional Kultur Teknis Tembakau. Surakarta; 1994.

Sari, Y., dkk. 2015, Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau , Konfresnsi Nasional Sistem & Informatika, STIKOM Bali Zhang, X., dkk. 2008, Images Features Extraction of Tobacco Leaves, Congress on Image and Signal

Processing, China

Anilkumar.Muthevi., dkk. 2017, Leaf Classification Using Completed Local Binary Pattern Of Textures, IEEE 7th International Advance Computing Conference, India

Zhang F, Zhang X. Classification and quality evaluation of tobacco leaves based on image processing and fuzzy comprehensive evaluation. Sensors (Basel, Switzerland). 2011; 11: p. 2369–84.

Figaro, (2005), General Information for TGS Sensors. <URL:http://www.figarosensor.com> Dinas Perkebunan Jawa Barat, Buku Pedoman Standarisasi Mutu Tembakau: 2009

Luay Fraiwan, Khaldon Lweesy, Aya Bani-Salma, Nour Mani, “A Wireless Home Safety Gas Leakage Detection System”, IEEE ,pp. 11- 14, 2014.